...

数理計画法の最近の発展 — 内点法を中心にして

by user

on
Category: Documents
10

views

Report

Comments

Transcript

数理計画法の最近の発展 — 内点法を中心にして
数理計画法の最近の発展 — 内点法を中心にして —
Recent Development in Mathematical Programming
from the Viewpoint of Interior-Point Methods
小島 政和 (東工大・情報理工)
Masakazu Kojima, Tokyo Institute of Technology
FAX: 03-5734-2752
E-mail: [email protected]
日本学術会議50周年記念
第48回理論応用力学講演会
講演論文集掲載(pp 306-309)
Since Karmarkar proposed a new interior-point method for linear programs in 1984,
the interior-point method has made dramatic progress in these fifteen years. Competing with the traditional simplex method, the interior-point method is now known as
the most powerful computational method for solving huge scale linear programs. In
the field of continuous optimization, the interior-point method has been successfully
extended to convex quadratic programs, semidefinite programs, and more general convex programs, while, in the field of discrete optimization, the interior-point method
has bee playing an important role in terms of the semidefinite programming relaxation of 0-1 integer and nonconvex quadratic programs. The purpose of this talk is to
present an overview of recent development of mathematical programming emphasizing
the interior-point method.
1
ル (Euclid ) 空間を表す.また,aij , bi , cj はすべて実数
はじめに
で,線形計画問題のデータとして与えられる.条件 (1) を
内点法 (Interior-Point Method) の歴史をいつまで遡れ
ばよいかはさほど明確ではないが,現在の内点法([5, 9]
満たす x を 実行可能解,その集まりを P で表す.P は
n 次元ベクトル空間 Rn 内で,有限個の超平面
等)の隆盛の直接のきっかけとなったのは 1984 年に発表
n
X
された線形計画問題の新解法,いわゆる Karmarkar 法 [1]
である.Karmarkar 法が数理計画分野全体に与えた影響
aij xj = bi (1 ≤ ∀i ≤ m)
j=1
は非常に大きく,この 15 年間に数理計画は著しい進歩を
で囲まれた領域(有界とは限らない)になる.P を
遂げている.特に,線形計画 (Linear Programming) の分
実行可能多面体 と呼ぶ.線形計画問題を
野では,内点法は従来の単体法(Simplex Method)では
解けないような超大規模な問題を高速に解く計算手法と
して,その地位を確立している.本講演では,内点法の
Pn
j=1 cj xj → 最小化
条件: x = (x1 , x2 , . . . , xn ) ∈ P
目的:
)
(2)
数理計画分野全体の中での位置づけを通して数理計画全
と記述する.
体の最近の発展を概観する.
線形計画問題 (2) の目的関数は線形であるから,その
Pn
等高面 {x : j=1 cj xj = 定数 } は n 次元ベクトル空間
2
線形計画問題,単体法,双対問題
線形計画問題(Linear Program) は「線形不等式条件
n
X
Rn 内の超平面(n = 2 の場合には ,等高線)となる.等
Pn
高面を目的関数 j=1 cj xj の値が小さくなる方向に,実
行可能多面体 P の境界と接するまでずらすと最小解が得
られる.一般には,最小解の集合が得られるが,その中
aij xj ≤ bi (1 ≤ ∀i ≤ m)
(1)
j=1
n
を満たす x = (x1 , x2 , . . . , xn ) ∈ R で,線形の 目的関数
Pn
∗
j=1 cj xj を最小(または,最大)にする x = x を求
めよ」という問題である.ここで,Rn は n-次元ベクト
に必ず頂点が含まれる.このことより,最小解の候補を
P の有限個の頂点に絞ることができる.
単体法は,線形計画問題の上述の特徴を巧妙に利用し
ている.1つの頂点から出発して隣接する頂点をたどっ
て,目的関数の値を小さくしながら,最小解に到達する
x2
x3
x1
x4
x0
P:
x1
x2
x0
x2
P:
!#"$&%
図 1: 単体法と内点法(概念図)
(図 1 参照).したがって,単体法の反復回数は最小解に
図 2: 中心パスと主双対内点法(概念図)
到達するまでに生成される頂点の個数に一致し,計算効
率もそれに比例する.一方,線形計画問題のサイズ= “
変数の個数 n と線形不等式の個数 m” の増加にともなっ
て,生成される可能性のある P の頂点の個数は爆発的に
3
主双対内点法
増加することが知られている.実社会から生ずる線形計
単体法の特徴は実行可能多面体 P の境界に属する頂点
画問題を解いた経験からは,単体法の反復回数は実行可
をたどって最小解の到達することにある.この特徴は単
能多面体 P を記述するのに用いられる線形不等式の個数
体法が有限回の反復で最小解に到達することを保証して
m の数倍程度であるといわれているが,線形計画問題の
サイズが大きくなると単体法の計算効率が著しく落ちる
可能性を示唆している.
いる.しかしながら,この特徴ゆえに,
「変数の個数 n と
次節で必要となる双対問題,双対定理について簡単に
説明しておく.線形計画問題 (2) の 双対問題 は元の問題
(2) を定義するデータ cj , aij , bi と同じデータを使って
定義されるが,その使い方は異なる.大ざっぱには,元
の問題 (2) の目的関数の最小化,線形目的関数の係数 cj ,
線形不等式条件の係数 aij ,線形不等式条件の定数項 bi
が,“転置” されて,双対問題の目的関数の最大化,線形
不等式条件の定数項 cj ,線形不等式条件の係数 aji (ij
が ji になっていることに注意),線形目的関数の係数 bi
として使われる.ここでは,双対問題を抽象的に以下の
ように書くことにする.
Pm
→ 最大化
条件: y = (y1 , y2 , . . . , ym ) ∈ D
目的:
i=1 bi yi
)
(3)
線形不等式条件の個数 m の増加にともなって頂点が爆
発的に増える」等の実行可能多面体 P の境界の組合せ的
複雑さとまともに対峙することになる.内点法は,実行
可能多面体 P の内部を通って最小解に近づくことで,実
行可能多面体 P の境界の組合せ的複雑さを回避している
(図 1 参照).ここでは,Karmarkar 法 [1] 以後に提案さ
れた内点法の中で,理論的に最も整備され,かつ,実用
的にも最もよく発展した主双対内点法を紹介する.
主双対内点法は,Renegar による中心パス追跡法に上
述した双対定理を組み入れ,主問題と双対問題の空間で
同時に中心パスを追跡する方法であるといえる.もう少
し詳しく説明するために,主問題 (2) と双対問題 (3) を
合わせた主双対問題を導入する.
)
Pm
Pn
目的:
c
x
−
b
y
→
最小化
i
i
j
j
j=1
i=1
条件: x ∈ P, y ∈ D
(4)
双対定理により,この問題の最小値は 0 である.主双対
問題 (4) の中心パスは,t > 0 をパラメータとする多面体
双対問題 (3) と対比させて,元の問題 (2) を 主問題 と呼
ぶ.主問題 (2) と双対問題 (3) の間には,双対定理 と呼
ばれる以下の関係が成り立つ.
X
G(t) ≡ {(x, y) ∈ P × D :
n
X
j=1
cj xj −
m
X
bi yi ≤ t}
i=1
の解析的中心 (x(t), y(t))(G(t) の内点集合上で定義
bi yi
≤
双対問題の最大値
=
主問題の最小値
n
X
cj xj (∀x ∈ P, ∀y ∈ D)
i=1
≤
j=1
された 対数罰金関数 の最小点)からなる滑らかな曲線
{(x(t), y(t)) : t > 0} として定義される.中心パス
{(x(t), y(t)) : t > 0} は主双対問題の最適解 (x∗ , y ∗ )
に収束する(図 2 参照).主双対内点法ではこのように
定義された中心パスを,Newton 法を用いて,数値的に追
跡している.内点法,主双対内点法に関してより詳しく
(図 2 参照).
は,[5, 9] 等を参照されたい.
• S
S
S
S
は有限集合,または,離散的な集合.たとえば,
= {x ∈ Rn : xj = 0 または 1}(有限集合),
= あるグラフの部分グラフの集まり(有限集合),
= {x ∈ Rn : xj = 自然数 }(離散無限集合).
が仮定される.関数 f, g に連続性(あるいは,微分可能
性)のみを仮定する非線形離散最適化問題のクラスも考
えることができるが,そのような問題は非常に難しく,関
数 f, g が線形(あるいは,高々2次)関数である場合に
限定することが多い.このように限定したとしても,離
散最適化問題には広範な応用がある.離散最適化に属す
る代表的な数理計画問題のクラスとそれらの関係を示す
と図 4 のようになる.
図 3: 連続最適化に属する代表的な数理計画問題
個々の数理計画問題は,それが定式化された元の(現
実)問題と結びつけた名前で呼ばれることも多い.例え
ば,最小費用流問題,最大流問題,行商人問題,グラフ
分割問題等である.また,上記の数理計画問題に関する
分類は厳密ではなく,連続最適化と離散最適化の両方の
特徴を共有する問題(たとえば,施設配置問題,線形混
合整数計画問題)や,それらからはみ出た数理計画問題
も存在する.
単体法,内点法を始めとして,数理計画法の多くのア
ルゴリズムは局所的な改善(目的関数値が減少する,実
行可能領域に近づく,あるいは,その両方)を繰り返す
図 4: 離散最適化に属する代表的な数理計画問題
反復法である.こののような局所的なアルゴリズムでは
局所的に最小な解 を求めるのが精一杯である.局所的に
4
最小な解が常に大域的に最小な解であることがあらかじ
一般の数理計画問題と内点法
め保証されている問題(たとえば,線形計画問題)では
局所的なアルゴリズムで大域的に最小な解まで到達でき
一般の 数理計画問題 は
目的: f (x) → 最小化
る.そのような問題は比較的易しい数理計画問題といっ
)
条件: x ∈ F ≡ {x ∈ S : g(x) ≤ 0}
(5)
と書ける.ここで,S は n 次元ベクトル空間 Rn の部分
集合,f は Rn で定義された実数値関数,g は Rn から m
次元ベクトル空間 Rm への関数である.S は対象とする
数理計画問題を記述するのに用いられる 基礎となる空間
と考えればよい.
基礎となる空間 S, 実行可能領域 F を表現するのに
使われる関数 g : Rn → Rm ,および,目的関数 f に
種々の条件を課した多くのクラスの数理計画問題が研究
されている.数理計画問題は大きく 連続最適化問題 と
離散最適化問題 に分けることができる.
連続最適化問題では,
• S = Rn (より一般的には,S は Rn の開集合)
• 関数 g : Rn → Rm は連続(多くの場合,微分可能)
が仮定される.連続最適化に属する代表的な数理計画問
題のクラスとそれらの関係を示すと図 3 のようになる.
離散最適化問題では,
てよい.この “局所的に最小な解 =⇒ 大域的に最小な解”
という性質は実行可能領域および目的関数の “凸性” と強
く結びついている.凸性は連続最適化の分野で使われて
きたが,近年,“離散凸” なる概念が導入され,離散最適
化問題の解き易さと結びつけて研究されている.[6] 等参
照.これまでに発展した内点法が直接適用できるのは凸
性を満たす連続最適化問題である凸計画問題([7] 参照)
の範囲までである.
凸性を持たない数理計画問題(たとえば,非凸2次計
画問題,多くの組合せ最適化問題等)での内点法の役割
についてふれておこう.そのような問題を対象とするア
ルゴリズムでは,
(i) より小さい目的関数値 f (x) を達成する実行可能解
x ∈ F を生成する仕組み([4] 等)
に加えて,
(ii) 未知の大域的最小値を見積もる仕組み
を盛り込むことが望ましい.反復の途中でそれまでに (i)
により得られている最良の実行可能解での目的関数値と,
(ii) により見積もられた真の大域的最小値との差が十分
小さければ,その解を近似大域的最小解として安心して
使える.(ii) のために 緩和 がしばしば使われる.集合 Ŝ
題および凸2次計画問題よりも数学的な記述能力は高く,
が,条件 F ⊂ F̂ を満たすと仮定し,新たな数理計画問題
行列の固有値に関する条件を含む問題を半正定値計画問
目的: fˆ(x) → 最小化; 条件: x ∈ F̂
(6)
を導入する.元の問題 (5) と比較すると,問題 (6) の実行可
能領域 F̂ は広い.したがって,(5) の未知の大域的最小値を
f ∗ ,(6) の大域的最小値を fˆ∗ とすると,f ∗ ≥ fˆ∗ である
ことが分かる.問題 (6) を 緩和問題 と呼ぶ.反復の途中で
求まった問題 (5) の最良解を x̂ とすると,f (x̂) ≥ f ∗ ≥ fˆ∗
が成り立つ.したがって,f (x̂) − fˆ∗ が十分小さいか,許
容範囲にあれば,x̂ を近似大域的最小解として安心して
使える.緩和問題は
• その大域的最小値 fˆ∗ が元の問題の大域的最小値 f ∗
に近いこと,
• 簡単に解けること
半正定値計画問題は凸計画問題の一種で,線形計画問
これらの問題をその特殊な場合として含む.特に,対称
題に定式化できるという特徴を持つ.また,線形計画問
題に対する双対定理および主双対内点法が非常に美しい
形で拡張されている.上述した半正定値計画問題を用い
た離散最適化および非凸2次計画問題の緩和の他,シス
テムと制御分野,建造物の構造最適化分野で研究されて
いる.より詳しくは,[2, 3, 8] を参照されたい.
6
おわりに
Internet を通しても,数理計画法,内点法に関する最新
の様々な情報が得られる.内点法に関しては,S. Wright
が管理・運営する以下のホームページにアクセスし,そ
こから内点法の研究者のホームページをたどるとよい.
http://www.mcs.anl.gov/home/otc/InteriorPoint/
が望ましいが,この2つは矛盾する場合が多い.緩和問
また,数理計画法全般に関しては,東京大学の松井助教
題は,離散最適化問題に対する汎用的な手法である分枝
授の管理・運営するホームページ
限定法と組み合わされて使われている.
従来から,離散最適化問題を線形計画問題で緩和し,緩
http://misojiro.misojiro.t.u-tokyo.ac.jp
/˜tomomi/opt-codeE.html
和された問題に単体法を適用する手法がよく用いられて
いるが,より大規模な緩和問題に対しては内点法が適用
を覗くとよい.
され始めている.さらに,離散最適化および非凸2次計
この原稿は第48回理論応用力学講演会(1999年
画問題を,次節で紹介する半正定値計画問題を用いて,よ
1月25日(月)∼27日(水))のパネルディスカッショ
り強力に緩和する研究([3] 等)も盛んに行われている.
ン『数値解析の新手法 —90年代の発展 —』での講演
一方では半正定値計画問題を解く内点法のソフトウエア
のために書かれたものである.講演に招待して下さった
も整いつつあるので,今後,内点法が凸性を持たない数
東京大学大学院数理科学研究科山田道夫先生に感謝いた
理計画問題にもますます強く関わっていくことが予想さ
します.
れる.
5
半正定値計画問題 — 最新の話題
半正定値計画問題は,線形計画問題 (2) を対称行列の
空間に拡張した問題といえる.
目的:
条件:
Pn
cj xj
Pj=1
n
j=1 Aj xj
→ 最小化
¹B
)
(7)
ただし,
Ai ∈ S n (1 ≤ ∀j ≤ n), B : m × m 定数対称行列,
cj ∈ R (1 ≤ ∀j ≤ n) : 実定数,
V ¹ U ⇐⇒ m × m 対称行列 U − V が半正定値.
参考文献
[1] N. Karmarkar, “A new polynomial-time algorithm
for linear programming,” Combinatorica 4 (1984)
373–395.
[2] 小島政和,“半正定値計画問題と内点法”,応用数理 6
(1996), pp.270-279.
[3] 小島政和,“半正定値計画とその組合せ最適化への応
用”,離散構造とアルゴリズム 5,近代科学社 (1998),
pp.203-249.
[4] 久保幹雄,“メタヒューリスティックス”,離散構造と
アルゴリズム 4,近代科学社 (1995), pp.171-221.
線形計画問題 (2) における実数に対する不等式 ≤ を,対
[5] 水野真治,“内点法(1)∼(4)
(連載)”,オペレー
称行列に対する “不等式 ¹” に置き換えた問題と考える
ションズ・リサーチ 35 (1995),pp.321-326, pp.376-
とよい.
381, pp.437-442, pp.508-512.
[6] 室田一雄, “離散凸解析”, 離散構造とアルゴリズム
5, 近代科学社 (1998) 51–100.
[7] Y. Nesterov and A. Nemirovskii, Interior-Point
Polynomial Algorithms in Convex Programming
(SIAM, Philadelphia, 1994).
[8] L. Vandenberghe and S. Boyd, “Semidefinite Programming,” SIAM Review 38 (1996) 49–95.
[9] S. Wright, Primal-Dual Interior-Point Methods,
SIAM, Philadelphia, 1997.
Fly UP